当问到两张陌生照片中的面孔是否是同一个人时，一个人类答对的几率是97.53%。Facebook新开发的软件面对这一挑战的分数是97.25%，不论明暗的变化，也不论照片中的人是否直面着镜头。
这比起之前的面部匹配软件来说是一个显著进步，展示出名为深度学习的人工智能新手段的威力。Facebook及其竞争对手去年在深度学习上大举押注。这一人工智能领域包括使用模拟神经元网络，来学习在大规模数据中识别某些模式。
“通常不会有这么大的进步，”雅尼夫·泰格曼(Yaniv Taigman)说。他是Facebook人工智能团队的一员，这一研究小组是在去年建立，致力于探索深度学习如何帮助该公司。“我们的新软件已非常接近人类的表现，”泰格曼说。他还指出，比起早些时候执行同样任务的软件，新软件的错误率已经减少了超过四分之一。
Facebook的新软件名为DeepFace，执行的任务被研究人员称为“面部验证”，而不是“面部识别”。面部验证是指认出两张照片中相同的面孔，而面部识别是指认出面孔的姓名。不过泰格曼说，一些基础技术可以用来解决面部识别的问题，这样就能在用户标记新上传的照片时，提高Facebook建议的准确性。
然而DeepFace仍然纯粹是一个研究项目。上周Facebook发表了一篇该项目的研究论文，研究人员将在6月份电气电子工程师协会(IEEE)的计算机视觉与模式识别会议(Conference on Computer Vision and Pattern Recognition)上展示这一成果。泰格曼说，“我们将发布我们的成果，以得到研究界的反馈。”泰格曼与Facebook的同事杨明（音译）和马尔考雷利奥·兰扎托(Marc’Aurelio Ranzato)以及特拉维夫大学教授利奥尔·沃尔夫(Lior Wolf)一起开发了DeepFace软件。
DeepFace以两个步骤处理脸部图像。它会首先纠正面部的角度，令照片中的人脸朝前，使用的是一个“普通”朝前看的脸的三维模型。随后采取深度学习的方法，以一个模拟神经网络推算出调整后面部的数字描述。如果DeepFace从两张不同的照片得到了足够相似的描述，它就会认定照片展示的是同一张脸。
最终版本软件的性能通过一组标准数据集进行了测试，这组数据集被研究人员用来基准面部匹配软件，也被用来测试人类如何匹配面孔。
华盛顿大学研究员尼拉吉·库马尔(Neeraj Kumar)致力于面部验证和识别的研究，他说Facebook的成果显示出，找到足够的数据来注入大型类神经网络，是如何推动机器学习软件的显著进步的。“我敢打赌，这一成果大部分来自于深度学习通常就能提供的优势，即能够以一个容量更高的学习模式，来利用大量的外部数据，”他说。
DeepFace的深度学习部分是由九层简单模拟神经元构成，它们之间有超过1.2亿个联系。为训练这一网络，Facebook的研究人员选出了该公司囤积的用户照片中的一小部分数据——属于近4千人的4百万张带有面孔的照片。“因为能够访问大量这一模式的数据，所以他们能够成功地训练出一种高容量的模式，”库马尔说。
原文发布时间为：2014-07-16
本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
